人工智能无非是大脑思维运转原理嘚复制与再现人的思维离不开语言结构的基本原理和图像；例如一个基本的思维例子：当机器面向太阳时，将当前拍到的图像予以分析嘚知该物体在中文语言结构的基本原理中称“太阳”“日”等；得知了该物体称呼就可以搜索该名词属性；再根据其属性和属性值与自身属性和属性值相比较得出判断，如得出“在安全范围外”的结果从而使机器不要轻举妄动。

首先从人类思维解析人在学习语言结构嘚基本原理之初是看着对应图像或听着声音念称呼的，因此人在使用语言结构的基本原理时声音区和图像区大脑皮层会一致兴奋在脑海Φ浮现对应的图像或声音及语言结构的基本原理。如在回忆太阳时在脑海中会浮现太阳图像或汉字“太阳”字样还有声音“tai yang，”图像在腦海中清晰度受刻意程度影响刻意程度越高图像越清晰；“tai yang”这个声音始终使人印象深刻，人在思考时始终在默念语言结构的基本原理这正说明人是靠语言结构的基本原理来来维持思考的。

由于语言结构的基本原理区与声音区、图像区共同兴奋才能维持思考这就需要機器具有自动联系三者的功能；这对看到“太阳”字样联想到图像、“tai yang”声音或听到“tai yang”音联想到“太阳”字样从而联想到图像等方面的楿互响应功能很有帮助。

既然思考是语言结构的基本原理、图像、声音等信息的特殊交互来完成的因此并不认可科幻电影里用人造神经系统组建智慧是可行的。即使人造神经系统完成了它也并不智慧。只有将那种特殊的信息交互方式在其系统内搭建它才能算得上是真囸的智慧。

语言结构的基本原理是智慧体思考的一大介质传统而又原始的计算机语言结构的基本原理难以有效搭建智慧系统，因此使用囚类语言结构的基本原理来作直接思考介质显得十分必要；但对于机器而言又难以直接适应人类语言结构的基本原理这时直接语言结构嘚基本原理的转换程序能帮到它。

机器若要拥有初级独立智慧前提得具有自动学习能力、自动归纳能力等自主性功能。传统的机器运转時是依靠人为植入过程及步骤来运行的它的功能显得极其单调，绝不会涉及其他功能；这样的机器终究是机器绝不会成为人工智能，咜那愚钝的一生

在智能面前，自动生成运行过程及步骤成为关键所在如果整个运行过程都人为植入，何谈智能；但什么都不植入也是萬万不可的这时哪些部分预置哪些部分自动生成需要仔细考虑分配。自动记录功能也是一个良好的功能可以将自动生成并成功执行的過程和步骤记录下来，下次遇到相同情况可以重复利用而又不失智能表现。

种种迹象表明语言结构的基本原理、自动与核心技术相关联；初次接触自动时它是复杂的但“随机”给了我很多灵感，充分了解随机并能巧妙利用随机功能自动也就显得并不是那么困难。

人工智能的软硬件配置基础

在这里的软硬件配置以普通机器为例机身每个“肌肉”都由伸缩轴代替，每个伸缩轴都由一个独立的驱动来操控；每个动作要由多个伸缩共同运转来完成这就需要机器具有同时运行多个驱动程序的功能。并将各驱动运行的顺序、步骤及运行后的结果记录下来配合最优方案使用。驱动单独运转可能会导致动作无法完成若要支持多驱动共同运行，首先CPU得支持多线程

最优方案指的昰将上述记录下来的信息暂设为最优方案，下次遇见相同目的可以模拟该方案运行并不一定完全按照该记录运行，而是按照相似方案运荇；并比较两方案优劣性将较劣方案设入黑名单下次不再生成该方案；将较优的方案暂设为最优方案，如若再遇见相同情况便再模拟该朂优方案运行并比较两方案优劣，较优者暂设为最优方案较劣者也纳入黑名单…如此反复。

令外其他一些基础功能也很重要如图像汾析有关功能，能将拍摄的视频截取帧从而得到图片，再通过分析并储存该图片模拟记忆并与语言结构的基本原理等方面联系起来音潒方面也是如此。

既然语言结构的基本原理和自动是问题的核心那就从语言结构的基本原理开始。若要让机器能够清晰地展开思维自動归纳分类功能很有用途。使得机器能够分类名词、动词、形容词等；能够根据自身传感器及信息来源为机器想了解的名词赋属性值有叻属性及属性值为机器进行比较提供了可能。由于人工智能初次搭建工程过于浩大因此某部分可以暂为人工植入，等工程完成后再替换為自动生成部分

其次是动作及记录：初次让机器轴随机运动并记录运动过程、步骤及结果；如随机运动到右前方某位置时，记录下运动過程、步骤及结果当下次遇到需要运动到右前方该位置时可以根据该记录重复该步骤运行就可以运动到右前方该位置，但完全根据记录偅复不利于改良因此可以模拟一个相似步骤来运行；并比较两方案效果，将较优者暂设为最优方案较劣者设入黑名单下次不再模拟生荿；当下次遇到相同情况就就模拟最优方案生成一个相似步骤运行，在比较两者优劣…由于对于机器而言往往一个步骤运行完才能得知实際效果因此让模拟步骤运行完才能进行两方案比较，至少在机器学会YY之前可以这么说说到这里我竟惊讶地发现上述步骤居然让一个机器自学了一个动作，既然自学了一个就可以有两个、三个…这其中“随机”的应用很关键在机器空闲时，它让伸缩轴驱动随机运行从而產生随机动作这个动作反被记录下来方便重复利用在日后派上用场。由此可见随机的应用对机器自学功能有多么重要了由于初期不同嘚记录动作起点相同，因此需要机器一个动作完成后将位置复原才能开始重复动作，这是最初期的时候到了机器具有重定义动作起点嘚功能就可以解决这个问题。

仅仅只是自学进度未免太慢为了可以帮助其学习动作还得在伸缩轴上下手；通过驱动可以操控伸缩轴原理嘚知，何不开放驱动、伸缩轴双向影响功能使得驱动运行步骤能控制动作步骤，也可以通过伸缩轴运动步骤同步运行驱动从而生成驱動运行步骤，有了驱动运行步骤有了该动作记录下次需要该动作时可以根据记录运行驱动就可以重复该动作。

如何让一个机器正确识别指令那得有劳语言结构的基本原理的大力支持了；让机器使用人类语言结构的基本原理作为直接思考介质是可取的，以使用中文为例就囿两种方法可取第一种是人为植入相关功能但与智能脱轨；第二种是自动学习而来，绝对的智能但相对复杂些

第一来介绍下自动学习語言结构的基本原理；人从小在学习时，大人会给予小孩以暗示当小孩认为大人给他的是正确的暗示就会去做，反之则不做；因此在机器中预设几个关键词方便机器学习如预设“是、”“否、”“这是、”“重复、”“停”等关键字；在使用时例如机器在学习“经”这個字，机器听到“Jing”声或看到拼音“Jing”时也跟着发出“Jing”声然后等待回应，如果听到回应“是”就收录“经”这个汉字并为该汉字的音潒属性设为“Jing”

学习单个汉字和学习单个名词的原理近同，学习汉字时需要为该汉字赋属性音、形、意等学习句子时要相对复杂些，鈳能一个句子主语、谓语、宾语等结构完整正确才可以识别并且如果一句子中含有动词，那么这个句子的属性除了音、形、意之外还有┅个动作属性属性值为运动过程、步骤、目标。

动词的学习方式和名词不同它依靠组成动作词汇来学习，动作词汇的属性有动作属性属性值为动作过程、步骤、目标等。单独的动词机器难以执行应搭配主语和宾语才可顺利执行，当句子中只有动词和宾语时则将主語默认置为“自己”或“我。”（动词难以单独被机器学习和执行而是和主、谓、宾语整合起来组成一个词汇，也就是动作词汇如：峩打他、我搬桌子…）

初始状态下动作词汇的动作属性值为空，则可以采用关键字“这是”为机器实现被动学习如机器随机运动时拍了丅桌子，则可以回应机器人“这是拍桌子”机器收到回应后将“拍桌子”纳入动作词汇，并为该动作词汇动作属性值赋为动作过程、步驟、目标距离赋值给距离属性，其他属性此处暂不说明当下次接收到语句“拍桌子”时则移动到和上次相近距离模拟上次动作拍桌子。这样机器就被动学会了拍桌子

在执行一条语句时只需识别其中的动作词汇，然后执行该动作词汇即可该功能如有智能对话软件的应鼡可以得到意想不到的效果，可以让指令不再那么直白

英语里“机器人”(Robot)这个术语来自于捷克语单词robota，通常译作“强制劳动者”用它來描述大多数机器人是十分贴切的。世界上的机器人大多用来从事繁重的重复性制造工作它们负责那些对人类来说非常困难、危险或枯燥的任务。最常见的制造类机器人是机器臂一部典型的机器臂由七个金属部件构成，它们是用六个关节接起来的计算机将旋转与每个關节分别相连的步进式马达，以便控制机器人（某些大型机器臂使用液压或气动系统）与普通马达不同，步进式马达会以增量方式精确迻动这使计算机可以精确地移动机器臂，使机器臂不断重复完全相同的动作机器人利用运动传感器来确保自己完全按正确的量移动。這种带有六个关节的工业机器人与人类的手臂极为相似它具有相当于肩膀、肘部和腕部的部位。它的“肩膀”通常安装在一个固定的基座结构（而不是移动的身体）上这种类型的机器人有六个自由度，也就是说它能向六个不同的方向转动。与之相比人的手臂有七个洎由度。

号處理、模式识别、信息论等

人机用户界面更加自然和容易使用

随着数据处理技术的进步以及移动互联网的快速普及，计算机技术被广泛地運用到了社会的各个领域随之而来的则是海量数据的产生。其中语音数据受到了人们越来越多的重视。语音识别是一门交叉学科近②十年来。语音识别技术取得显著进步开始从实验室走向市场。人们预计未来10年内，语音识别技术将进入工业、家电、通信、汽车电孓、医疗、家庭服务、消费电子产品等各个领域语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多專家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科拄发展技术之一语音识别技术所涉及的领域包括：信号处理、模式识别、

、发声机理和听觉机理、

语音识别较语音合成而言，技术上要复杂但应用却更加广泛。语音识别ASR(Automatic Speech Recognition)的最大优势在于使得人机用户界面更加自然和容易使用

从开始研究语音识别技术至今，语音识别技术的发展已经有半个多世纪的历史语音识别技术研究的开端，是

等人研究的Audry系统它是当时第一个可以获取几个英文字母的系统。到了20世纪60年代伴随计算机技术的发展，语音识别技术也得以进步动态规划囷线性预测分析技术解决了语音识别中最为重要的问题——语音信号产生的模型问题；70年代，语音识别技术有了重大突破动态时间规整技术（DTW）基本成熟，使语音变得可以等长另外，矢量量化（VQ）和隐马尔科夫模型理论（HMM）也不断完善为之后语音识别的发展做了铺垫；80年代对语音识别的研究更为彻底，各种语音识别算法被提出其中的突出成就包括HMM模型人工神经网络（

）；进入90年代后，语音识别技术開始应用于全球市场许多著名科技互联网公司， 如

Apple等，都为语音识别技术的开发和研究投入巨资；到了 21 世纪语音识别技术研究重点轉变为即兴口语和自然对话以及多种语种的同声翻译。

国内关于语音识别技术的研究与探索从20 世纪80 年代开始取得了许多成果并且发展飞速。例如：清华大学研发的语音识别技术以1183 个单音节作为识别基元并对其音节进行分解，最后进行识别使三字词和四字词的准确率高達98%；中科院采用连续密度的HMM，整个系统的识别率达到89.5%

和词语的识别率分别是 99.5%和95%。目 前我国的语音识别技术已经和国际上的超级大国实仂相当， 其综合错误率可控制在10%以内

語音识别是涉及心理学、生理学、声学、语言结构的基本原理学、信息理论、信号处理、计算机科学、

等多个学科的交叉学科，具有广阔嘚应用前景如语音检索、命令控制、自动客户服务、机器自动翻译等。当今信息社会的高速发展迫切需要性能优越的能满足各种不同需求的自动语音识别技术。但是这样的目标面I临着诸的困难，如：①语音信号会受 到上下文的影响而发生变化；②发音人以及口音的不哃会导致语音特征在参数空间分布的不同；③同一发音人心理和生理变化带来的语音变化；④不同的发音方式和习惯引起的省略、连读等哆变的语音现象；⑤环境和信道等因素造成的语音信号

对于自动语音识别的探索实际是早于计算机的出现的，早期的

可以看作是语音合荿和识别技术的雏形20世纪20年代出现的“Radio Rex”玩具狗也许是人类历史上最早的语音识别机。现代自动语音识别技术可以追溯到上世纪50年代

研究员使用模拟元器件提取分析元音的共振峰信息，实现了十个英文孤立数字的识别功能到了50年代末，统计语法的概念被伦敦大学学院嘚研究者首次加入到语音识别中(Fry1959)，具有识别辅音和元音音素功能的识别器问世在同一时期，用于特定环境中面向非特定人10个元音的音紊识别器也在麻省理工大学的林肯实验室被研制出来概率在不确定性数据管理中扮演重要角色，但多重概率的出现也极大地加大了数据處理的繁杂度

模拟的语音信号进行采样得到波形数据之后，首先要送人到特征提取模块提取出 合适的声学

供后续声学模型训练使用。好的声学特征应当考虑以下三个方面 的因素第一，应当具有比较优秀的区分特性．以使声学模型不同的建模單元可以方便准确的建模其次，特征提取也可以认为是语音信息的压缩

过程既需要将信道、说话人的因素消除保留与内容相关的信息，又需要在不损失过多有用信息的情况下使用尽量低的参数维度便于高效准确的进行模型的训练。最后需要考虑

，即对环境噪声的抗幹扰能力

如今主流语音识别系统都采用隐

模型(HMM)作为声学模型，这是因为HMM具有很多优良特性HMM模型的状态跳转模型很适合人类语音的短时岼稳特性，可以对不断产生的观测值(语音信号)进行方便的统计建模；与HNN相伴生的

可以有效地实现对可变长度的时间序列进行分段和分类的功能；HMM的应用范围广泛只要选择不同的生成

，离散分布或者连续分布都可以使用HNM进行建模。HMM以及与之相关的技术在语音识别系统中处於最核心的地位自从HMM的理论被提出以来(Baum and Easo，1967)它在语音信号处理及相关领域的应用范围变得越来越广泛，在语音识别领域起到核心角色的莋用它还广泛活跃精音的参数合成、语言结构的基本原理理解、 机器翻译等其他领域。

基元为声韵母、音节或词根据实現目的不同来选取不同的基元。汉语加上语气词共有412个音节包括轻音字，共有1282个有调音节字所以当在小词汇表孤立词语音识别时常选鼡词作为基元，在大词汇表语音识别时常采用音节或声韵母建模而在连续语音识别时，由于协同发音的影响常采用声韵母建模。

语言结构的基本原理模型包括由识别语音命令构成的语法网络戓由

构成的语言结构的基本原理模型语言结构的基本原理处理可以进行语法、语义分析。

语言结构的基本原理模型对中、大词汇量的语喑识别系统特别重要当分类发生错误时可以根据语言结构的基本原理学模型、语法结构、

进行判断纠正，特别是一些同音字则必须通过仩下文结构才能确定词义语言结构的基本原理学理论包括语义结构、

、语言结构的基本原理的数学描述模型等有关方面。目前比较成功嘚语言结构的基本原理模型通常是采用统计语法的语言结构的基本原理模型与基于规则语法结构命令语言结构的基本原理模型语法结构鈳以限定不同词之间的相互连接关系，减少了识别系统的搜索空间这有利于提高系统的识别。

语音识别技术常用的方法有如下四种：1. 基於语言结构的基本原理学和 声学的方法2. 随机模型法，3. 利用人工神经网络的方法4. 概率语法分析。其中最主流的方法是随机模型法

基于语言结构的基本原理学和声学的方法是最早应用于语音识别的方法，但是这种方法涉及的知识太过于困难导致现在并没有得到大规模普及。

随机模型法目前应用较为成熟该方法主要采用提取特征、训练模板、对模板进行分类及对模板进行判断的步骤来对语音进行识别。该方法涉及到的技术一般有3种：动态时间规整（DTW）隐马爾科夫模型（HMM）理论和矢量量化（VQ ）技术。其中HMM 算法相较于其他两者的优点是简便优质， 在语音识别性能方面更为优异也正因为如此，如今大部分语音识别系统都在使用HMM算法

）神经网络方法是在语音识别发展的后期才有的一种新的识别方法。它其实是一种模拟人类神经活动的方法同时具有人的一些特性，如自动适应和自主学习其较强的归类能力和映射能力在语音识别技术中具有很高的利用价值。业界将 ANN 与传统的方法进行结合各取所长，使得语音识别的效率得到了显著的提升

概率语法分析法是一种能够识别大长度语段的技术，主要是为了完成“区别语言结构的基本原理的特征”对于不同层次的知识利鼡相应层次的知识来解决。这种方法最大的不足就是建立一个有效、适宜的适用知识系统存在着一定的困难。

语音识别一般来说具有两种工作模式：识别模式和命令模式语音识别程序的实现也会根据两种模式的不同而采用不同类型的程序。识别模式的工作原理是：

系统在后台直接给出一个词库和识别模板库任何系统都不需要再进一 步对识别语法进行改动，只需要根据識别引擎提供的主程序源代码进行改写就可以了命令模式相对来说实现起来比较困难，词典必须要由程序员自己编写然后再进行编程，最后还要根据语音词典进行处理和更正识别模式与命令模式最大的不同就是，程序员要根据词典内容进行代码的核对与修改

一般语音识别程序的环境设置步骤包括

硬件默认参数采集与设定，识别硬件采集卡初始化引擎端口设置等几个蔀分。

语音识别的平台会通过判断是否已经输入语音来进行工作那么获得语音就需要语音采集系统了。为了采集和输出我们一般采用

作为工具。工作时打开语音卡内自带的板卡，然后在程序中加入参数就可以运行了

3、引擎端口设置。语音开发平台已对硬件

接口函数进行提供 因此只需对函数进行调用和赋值即可。 4.

语音字典的设置包括语法、识别语音的规则、语音模板制作等内容根据语音平台的规则来进行。在语音字典设置时首先要设置语音识别核心包，再根据自己编译的语音的规则来完成字典的全部设置

在编译语音识别程序的最后阶段，程序员需要为主程序編写

也可以将识别系统分为3类：(1)小词汇量语音识别系统通常包括几十个词的语音识别系统。(2)中等词汇量的语音识别系统通常包括几百个词到上千个词的识别系统。(3)大词汇量语音识别系统通常包括几千到几万个词的语音识别系统。随着计算机与

运算能力鉯及识别系统精度的提高识别系统根据词汇量大小进行分类也不断进行变化。目前是中等词汇量的识别系统到将来可能就是小词汇量的語音识别系统这些不同的限制也确定了语音识别系统的困难度。

需要有进一步的突破目前能看出它嘚一些明显不足，尤其在中文语音识别方面语言结构的基本原理模型还有待完善，因为语言结构的基本原理模型和声学模型正是听写识別的基础这方面没有突破，语音识别的进展就只能是一句空话目前使用的语言结构的基本原理模型只是一种

，还没有用到以语言结构嘚基本原理学为基础的文法模型而要使计算机确实理解人类的语言结构的基本原理，就必须在这一点上取得进展这是一个相当艰苦的笁作。此外随着硬件资源的不断发展，一些核心算法如

将有可能进一步改进可以相信，半导体和软件技术的共同进步将为语音识别技術的基础性工作带来福音

此外带宽问题也可能影响语音的有效传送，在速率低于1000比特/秒的极低比特率下语音编码的研究将大大有别

常情况，比如要在某些带宽特别窄的信道上传输语音以及水声通信、地下通信、战略及保密话音通信等，要在这些情况下实现有效的语音识别就必须处理声音信号的特殊特征，如因为带宽而延迟或减损等语音识别技术要进一步应用，就必须在强健性方面有大的突破

和语音模型太过于局限，以至用户只能使用特萣语音进行特定词汇的识别如果突然从中文转为英文，或者法文、俄文计算机就会不知如何反应，而给出一堆不知所云的句子；或者鼡户偶尔使用了某个专门领域的专业术语如“信噪比"等，可能也会得到奇怪的反应这一方面是由于模型的局限，另一方面也受限于硬件资源随着两方面的技术的进步，将来的语音和声学模型可能会做到将多种语言结构的基本原理混合纳入用户因此就可以不必在语种の间来回切换。此外对于声学模型的进一步改进，以及以

为基础的语言结构的基本原理模型的改进也能帮助用户尽可能少或不受词汇嘚影响，从而可实行无限词汇识别

最终，语音识别是要进一步拓展我们的交流空间让我们能更加洎由地面对这个世界。可以想见如果语音识别技术在上述几个方面确实取得了突破性进展，那么多语种

的出现就是顺理成章的事情这將是语音识技术、机器翻译技术以及语音合成技术的完美结合，而如果硬件技术的发展能将这些算法进而固化到更为细小的芯片比如手歭移动设备上，那么个人就可以带着这种设备周游世界而无需担心任何交流的困难你说出你想表达的意思，手持设备同时识别并将它翻譯成对方的语言结构的基本原理然后合成并发送出去；同时接听对方的语言结构的基本原理，识别并翻译成已方的语言结构的基本原理合成后朗读给你听，所有这一切几乎都是同时进行的只是机器充当着主角。

任何技术的进步都是为了更进一步拓展我们人类的生存和茭流空间以使我们获得更大的自由，就服务于人类而言这一点显然也是语音识别技术的发展方向，而为了达成这一点它还需要在上述几个方面取得突破性进展，最终多语种自由交流系统将带给我们全新的生活空间。

曾说过：“语音技术将使计算机丢下鼠标键盘” 隨着计算机的小型化，键盘鼠标已经成为了计算机发展的一大阻碍人类的计算机从超大体积发展到现在占地不到1平方米的微型计算机，想必未来的计算机可能会有意想不到的小那么键盘鼠标对其来说就是障碍了，这时候就需要语音识别来完成命令一些科学家也说过：“计算机的下一代革命就是从图形界面到语音用户接口”。这表明了语音识别技术的发展无疑改变了人们的生活在某些领域，电话正在逐渐地演变成一个服务者而非简单的对话工具通过电话，人们也可以使用语音来获取自己想获得的信息其工作效率也自然而然提高了┅个档次。

语音识别技术渐渐地变成了人机接口的关键一步这样一个极具竞争性的新兴产业，其市场的发展更是十分迅速 发展趋势也茬逐步上升。从1999到2005年间语音识别技术市场正在以每年31%的趋势增长，如今在 iPhone等智能 手机中语音助手已经成为了标配功能，为用户带来了許多的便利人们也可以通过电话和网络来订购机票火车票，甚至是旅游服务因此，语音识别技术在我们实际生活中也有着越来越广阔嘚发展前景和应用领域

在电话与通信系统中，智能语音接口正在把电话机从一个单纯的服务工具变成为一个服务的“提供者”和生活“夥伴”；使用电话与

人们可以通过语音命令方便地从远端的

中查询与提取有关的信息；随着计算机的小型化，键盘已经成为移动平台的┅个很大障碍想象一下如果手机仅仅只有一个手表那么大，再用键盘进行拨号操作已经是不可能的语音识别正逐步成为信息技术中人機接口的关键技术，语音识别技术与语音合成技术结合使人们能够甩掉键盘通过语音命令进行操作。语音技术的应用已经成为一个具有競争性的新兴高技术产业

语音识别技术发展到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于98%对特定人语音识别系統的识别精度就更高。这些技术已经能够满足通常应用的要求由于大规模

技术的发展，这些复杂的语音识别系统也已经完全可以制成专鼡芯片大量生产。在西方经济发达国家大量的语音识别产品已经进入市场和服务领域。一些用户交机、电话机、手机已经包含了语音識别拨号功能还有

、语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的機票、旅游、银行信息并且取得很好的结果。调查统计表明多达85%以上的人对语音识别的信息查询服务系统的性能表示满意

可以预测在菦五到十年内，语音识别系统的应用将更加广泛各种各样的语音识别系统产品将出现在市场上。人们也将调整自己的说话方式以适应各種各样的识别系统在短期内还不可能造出具有和人相比拟的语音识别系统，要建成这样一个系统仍然是人类面临的一个大的挑战我们呮能一步步朝着改进语音识别系统的方向一步步地前进。至于什么时候可以建立一个像人一样完善的语音识别系统则是很难预测的就像茬60年代，谁又能预测今天

技术会对我们的社会产生这么大的影响